利⽤MATLAB2016a进⾏BP神经⽹络的预测（含有神经⽹络⼯ 具箱）
利⽤MATLAB 2016a进⾏BP神经⽹络的预测（含有神经⽹络⼯具箱）
最近⼀段时间在研究如何利⽤预测其销量个数，在⽹上搜索了⼀下，发现了很多模型来预测，⽐如利⽤回归模型、时间序列模
型，GM（1,1）模型，可是⾃⼰在结合实际的⼯作内容，发现这⼏种模型预测的精度不是很⾼，于是再在⽹上进⾏搜索，发现神经⽹络模型可以来预测，并且有很多是结合时间序列或者SVM（⽀持向量机）等组合模型来进⾏预测，本⽂结合实际数据，选取了常⽤的BP神经⽹ 运⽤matlab 2016a，给出了下⾯的代码，并最终进络算法，其算法原理，因⽹上⼀⼤堆，所以在此不必⼀⼀展⽰，并参考了这篇博⽂，运⽤matlab 2016a，给出了下⾯的代码，并最终进⾏了预测 clc
clear all
close all
%bp 神经⽹络的预测代码
%载⼊输出和输⼊数据
load C:\Users\amzon\;
load C:\Users\amzon\;
%保存数据到matlab的⼯作路径⾥⾯
save p.mat;
save t.mat;%注意t必须为⾏向量
半个西瓜的故事%赋值给输出p和输⼊t
p=p;
t=t;
%数据的归⼀化处理，利⽤mapminmax函数，使数值归⼀化到[-1.1]之间
%该函数使⽤⽅法如下：[y,ps] =mapminmax(x,ymin,ymax)，x需归化的数据输⼊，
%ymin，ymax为需归化到的范围，不填默认为归化到[-1,1]
%返回归化后的值y，以及参数ps，ps在结果反归⼀化中，需要调⽤
[p1,ps]=mapminmax(p);
[t1,ts]=mapminmax(t);
%确定训练数据，测试数据,⼀般是随机的从样本中选取70%的数据作为训练数据
%15%的数据作为测试数据，⼀般是使⽤函数dividerand，其⼀般的使⽤⽅法如下：
%[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
[trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);周施雄
[trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);
%建⽴反向传播算法的BP神经⽹络，使⽤newff函数，其⼀般的使⽤⽅法如下
%net = newff(minmax(p),[隐层的神经元的个数，输出层的神经元的个数],{隐层神经元的传输函数，输出层的传输函数｝,'反向传播的训练函数')，其中p为输⼊数据，t为输出数据
%tf为神经⽹络的传输函数，默认为'tansig'函数为隐层的传输函数，
%purelin函数为输出层的传输函数
%⼀般在这⾥还有其他的传输的函数⼀般的如下，如果预测出来的效果不是很好，可以调节
%TF1 = 'tansig';TF2 = 'logsig';
%TF1 = 'logsig';TF2 = 'purelin';
%TF1 = 'logsig';TF2 = 'logsig';
%TF1 = 'purelin';TF2 = 'purelin';
TF1='tansig';TF2='purelin';
net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%⽹络创建
%⽹络参数的设置
<=0.9;%动量因⼦的设置，默认为0.9
离开中国制造的一年
% 指定训练参数
% ainFcn = 'traingd'; % 梯度下降算法 % ainFcn = 'traingdm'; % 动量梯度下降算法
% ainFcn = 'traingda'; % 变学习率梯度下降算法
% ainFcn = 'traingdx'; % 变学习率动量梯度下降算法
% (⼤型⽹络的⾸选算法)
% ainFcn = 'trainrp'; % RPROP(弹性BP)算法，内存需求最⼩
% 共轭梯度算法对甲基苯甲酸
% ainFcn = 'traincgf'; %Fletcher-Reeves修正算法
% ainFcn = 'traincgp'; %Polak-Ribiere修正算法，内存需求⽐Fletcher-Reeves修正算法略⼤
% ainFcn = 'traincgb'; % Powell-Beal复位算法，内存需求⽐Polak-Ribiere修正算法略⼤
% (⼤型⽹络的⾸选算法)
%ainFcn = 'trainscg'; % ScaledConjugate Gradient算法，内存需求与Fletcher-Reeves修正算法相同，计算量⽐上⾯三种算法都⼩很多
% ainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm，计算量和内存需求均⽐共轭梯度算法⼤，但收敛⽐较快
% ainFcn = 'trainoss'; % OneStep Secant Algorithm，计算量和内存需求均⽐BFGS算法⼩,⽐共轭梯度算法略⼤
% (中型⽹络的⾸选算法)
%ainFcn = 'trainlm'; %Levenberg-Marquardt算法，内存需求最⼤，收敛速度最快
% ainFcn = 'trainbr'; % 贝叶斯正则化算法
% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
%在这⾥⼀般是选取'trainlm'函数来训练，其算对对应的是Levenberg-Marquardt算法
[net,tr]=train(net,trainsample.p,trainsample.t);
%计算仿真，其⼀般⽤sim函数
[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果
%将所得的结果进⾏反归⼀化，得到其拟合的数据
trainoutput=mapminmax('reverse',normtrainoutput,ts);
validateoutput=mapminmax('reverse',normvalidateoutput,ts);
testoutput=mapminmax('reverse',normtestoutput,ts);
%正常输⼊的数据的反归⼀化的处理，得到其正式值
trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据
validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据
testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据
%做预测，输⼊要预测的数据pnew
pnew=[313,256,239]';
pnewn=mapminmax(pnew);
anewn=sim(net,pnewn);
anew=mapminmax('reverse',anewn,ts);
%绝对误差的计算
errors=trainvalue-trainoutput;
%plotregression拟合图
figure,plotregression(trainvalue,trainoutput)
%误差图
figure,plot(1:length(errors),errors,'-b')
title('误差变化图')
%误差值的正态性的检验
figure,hist(errors);%频数直⽅图
figure,normplot(errors);%Q-Q图
[muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,⽅差，均值的0.95置信区间,⽅差的0.95置信区间[h1,sig,ci]= ttest(errors,muhat);%假设检验
figure, ploterrcorr(errors);%绘制误差的⾃相关图
figure, parcorr(errors);%绘制偏相关图
运⾏之后的，结果如下：
BP神经⽹络的结果分析图
训练数据的梯度和均⽅误差之间的关系图
验证数据的梯度与学习次数
残差的正态的检验图（Q-Q图）
在⽹上，发现可以通过神经⽹络⼯具箱这个GUI界⾯来创建神经⽹络，其⼀般的操作步骤如下：
声阻抗率
1：在输⼊命令⾥⾯输⼊nntool命令，或者在应⽤程序这个选项下到Netrual Net Fitting 这个应⽤程序，点击打开，就能看见如下界⾯
>欲速则不达教学设计
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议